【技术实现步骤摘要】
本专利技术属于风力发电处理，特别涉及一种风力发电功率预测方法及系统。
技术介绍
1、风力发电功率的精确预测有利于电网调度人员提早制定合理的发电计划和运行方式，统筹电力系统的调峰、调频等应对措施，对于电力系统的持续、稳定运行具有重要意义。风力发电功率大小的影响因素众多，其影响因素除地形、地貌等稳定地理因素外，还包括随机性较强的气象因素，包括风速、风向、温度、大气压强和湿度，这导致风电功率在时间维度上具有较强的波动性和间歇性。因此，对风力发电功率进行建模，不仅需要深入考虑历史发电功率的长时间序列所带来的波动规律性，还需充分探究多种相关变量与未来发电功率间的相关性。
2、传统的物理方法和统计方法在建模难度与预测精度上均受到限制，难以挖掘风力发电功率与相关变量之间的复杂非线性关系。传统方法往往依赖于简化的假设，无法有效捕捉实际数据中的复杂模式，导致预测精度不高。深度学习方法在拟合多影响因素与功率数据间的复杂非线性关系方面具有显著优势。它能够探寻风力发电功率在时间维度上的波动规律，使预测结果达到更高的精度。例如，以长短期记忆（long short-term memory，lstm）网络和以transformer（转换器模型）为代表的自注意力（self-attention）机制在序列建模领域中被广泛应用，但单独的lstm存在特征提取能力不足、模型易过拟合等缺点。尽管transformer在捕获依赖关系方面表现出色，但其注意力机制的二次复杂度限制了其在长距离时间序列预测中的应用；因此，现有方法对风力发电功率预测存在精准度低、以及在
技术实现思路
1、本专利技术的目的在于提供一种风力发电功率预测方法及系统，以克服现有技术对风力发电功率预测的精准度低的问题。
2、为实现上述目的，本专利技术采用的技术方案如下：
3、一种风力发电功率预测方法，包括以下步骤：
4、基于待预测目标的历史数据构建多元时间序列预测数据集，基于多元时间序列预测数据集对多元时间序列预测模型训练得到功率预测预训练模型；
5、采用功率预测预训练模型对待预测目标当前的参数数据进行预测得到待预测目标未来设定时间内的发电功率。
6、进一步的，所述多元时间序列预测数据集中的数据具有时间特性和物理特性，所述多元时间序列预测数据集中的数据满足时间间隔均匀和特征数量恒定的要求。
7、进一步的，所述多元时间序列预测数据集中数据的时间特性，指多元时间序列预测数据集中的数据包括采集该数据时的日期时间戳，所有数据采集的日期时间戳格式一致。
8、进一步的，所述多元时间序列预测数据集中数据的物理特性指融合词嵌入、时间嵌入和空间嵌入得到的高维时序特征，从高维时序特征中提取的物理特性。
9、进一步的，基于待预测目标的历史数据构建多元时间序列预测数据集，对上获取的多元时间序列预测数据集中的数据进行清洗和标准化处理：
10、对多元时间序列预测数据集中的数据进行清洗处理，具体包括以下步骤：将多元时间序列预测数据集中采用null字符填充的缺失值填充为缺失区间前后两个值的均值；如果前后两个值均缺失，则逐级查找最接近的非缺失值进行均值计算；
11、对清洗后的多元时间序列预测数据集中的数据进行标准化处理，具体是指使多元时间序列预测数据集中的数据均值为0，方差为1。
12、进一步的，基于多元时间序列预测数据集对多元时间序列预测模型训练得到功率预测预训练模型，所述多元时间序列预测模型包括嵌入模块层、预处理模块层、特征增强模块层和预测模块层；
13、嵌入模块层用于对输入的数据进行词嵌入、时间嵌入和空间嵌入融合得到高维时序特征；
14、预处理模块层，利用多头注意力机制对嵌入模块层输出的高维时序特征进行预处理，融合不同子空间的高维特征；然后通过非线性激活函数、求和、归一化对融合后的高维特征进行进一步处理；
15、特征增强模块层，通过递归机制对进一步处理的输入序列进行增强处理；
16、预测模块层，用于对增强处理后的融合特征进行预测得到预测结果。
17、进一步的，特征增强模块层包括状态空间模块和物理空间模块，状态空间模块用于提取进一步处理后的时序数据高维特征的数据状态特征，物理空间模块用于提取进一步处理后的时序数据高维特征的物理约束。
18、本专利技术第二方面，一种风力发电功率预测系统，包括预训练模块和预测模块；
19、预训练模块，基于待预测目标的历史数据构建多元时间序列预测数据集，基于多元时间序列预测数据集对多元时间序列预测模型训练得到功率预测预训练模型；
20、预测模块，基于功率预测预训练模型对待预测目标当前的参数数据进行预测得到待预测目标未来设定时间内的发电功率。
21、本专利技术第三方面，一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述风力发电功率预测方法的步骤。
22、本专利技术第四方面，一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述风力发电功率预测方法的步骤。
23、与现有技术相比，本专利技术具有以下有益的技术效果：
24、本专利技术一种风力发电功率预测方法，基于待预测目标的历史数据构建多元时间序列预测数据集，基于多元时间序列预测数据集对多元时间序列预测模型训练得到功率预测预训练模型；采用功率预测预训练模型对待预测目标当前的参数数据进行预测得到待预测目标未来设定时间内的发电功率，本专利技术基于多元时间序列预测数据集，在多个领域的时间序列预测任务中表现优异，实验结果表明，本专利技术提出的方法能够有效捕捉多元时间序列中的长短期依赖关系，并利用物理约束提高风力发电功率预测的准确性和稳定性。
25、优选的，本专利技术采用多元时间序列预测模型采用嵌入模块层、预处理模块层、特征增强模块层架构，能够有效减少传统循环神经网络预测方法所带来的累计误差，降低了部署和使用成本，通过特征增强模块层，每个时刻的预测值不依赖于其他时刻的预测结果，避免了递归带来的累计误差，同时减少了递归网络导致的梯度爆炸或梯度消失风险。对输入的数据进行词嵌入、时间嵌入和空间嵌入融合得到高维时序特征，使得输入向量的特征表达方式更加丰富和稳定，从而提高了特征表达能力，提升了预测精度。
26、优选的，本专利技术在损失函数中引入物理约束损失，进一步确保预测结果在物理上的一致性。
本文档来自技高网...【技术保护点】
1.一种风力发电功率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种风力发电功率预测方法，其特征在于，所述多元时间序列预测数据集中的数据具有时间特性和物理特性，所述多元时间序列预测数据集中的数据满足时间间隔均匀和特征数量恒定的要求。
3.根据权利要求2所述的一种风力发电功率预测方法，其特征在于，所述多元时间序列预测数据集中数据的时间特性，指多元时间序列预测数据集中的数据包括采集该数据时的日期时间戳，所有数据采集的日期时间戳格式一致。
4.根据权利要求2所述的一种风力发电功率预测方法，其特征在于，所述多元时间序列预测数据集中数据的物理特性指融合词嵌入、时间嵌入和空间嵌入得到的高维时序特征，从高维时序特征中提取的物理特性。
5.根据权利要求1所述的一种风力发电功率预测方法，其特征在于，特征增强模块层包括状态空间模块和物理空间模块，状态空间模块用于提取进一步处理后的时序数据高维特征的数据状态特征，物理空间模块用于提取进一步处理后的时序数据高维特征的物理约束。
6.一种风力发电功率预测系统，其特征在于，包括预训
7.一种计算机设备，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述风力发电功率预测方法的步骤。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述风力发电功率预测方法的步骤。
...【技术特征摘要】
1.一种风力发电功率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种风力发电功率预测方法，其特征在于，所述多元时间序列预测数据集中的数据具有时间特性和物理特性，所述多元时间序列预测数据集中的数据满足时间间隔均匀和特征数量恒定的要求。
3.根据权利要求2所述的一种风力发电功率预测方法，其特征在于，所述多元时间序列预测数据集中数据的时间特性，指多元时间序列预测数据集中的数据包括采集该数据时的日期时间戳，所有数据采集的日期时间戳格式一致。
4.根据权利要求2所述的一种风力发电功率预测方法，其特征在于，所述多元时间序列预测数据集中数据的物理特性指融合词嵌入、时间嵌入和空间嵌入得到的高维时序特征，从高维时序特征中提取的物理特性。
5.根据...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。